A Transferable Model of Molecular Exchange-Repulsion Interaction from Anisotropic Valence Density Overlap
University of Luxembourg（卢森堡大学）
本文提出基于各向异性价密度重叠的交换-排斥模型，通过两个通用参数实现有机分子二聚体亚千卡/摩尔精度，适用于多种元素组成的分子，为高精度机器学习力场发展提供新路径。
2026-06-26 physics.chem-ph
Transferable Machine Learning of Electronic Hamiltonians with Superposition-of-Atomic-Potentials Features
Yale University（耶鲁大学）
提出基于原子势叠加(SAP)近似的哈密顿量学习框架，结合对称性适配的原子轨道学习基和轨道图神经网络预测Kohn-Sham Fock矩阵，并通过降维方案扩展到大基组，在QM9和有机电荷传输材料中实现高精度可迁移预测。
2026-06-11 physics.chem-ph
Ab initio atom-atom potentials using CamCASP: Theory and application to multipole models for the pyridine dimer
从第一原理为小有机分子创建精确的分析原子-原子势可能是一项耗时且计算密集的任务，特别是如果我们还要求它们包括显式偏振项，这在许多系统中是必不可少的。在这两部分调查的第一部分中，我们描述了如何可以使用{ \sc CamCASP}程序套件来生成这样的电位，使用一些目前适用的最精确的电子结构方法。特别是，我们推导出的长程条款从单体的属性，并确定短程各向异性参数的一种新的和强大的方法的基础上迭代股东原子的方法。我们使用这里描述的技术来开发分布式多极模型的静电，极化和分散的吡啶二聚体的相互作用。在第二部分中，我们将应用这些方法发展一系列吡啶体系的多体势。
2016-06-01 physics.atom-ph physics.chem-ph
Accurate and Transferable Intermolecular Potential Based on Machine-Learned Molecular Electron Density
University of Luxembourg（卢森堡大学）；Technische Universität Berlin（柏林工业大学）；Korea University（高丽大学）；Max-Planck-Institut für Informatik（马克斯·普朗克 informatics 研究所）
本文提出仅含4个通用参数的物理模型DensIP，在DES15K数据集上训练后，对含未训练分子的二聚体实现亚kcal/mol误差，长程相互作用性能优于先进通用MLFFs，可用于药物配体，为大规模生成精确合成训练数据提供新途径。
2026-08-24 physics.chem-ph
ANI-1: A data set of 20M off-equilibrium DFT calculations for organic molecules
University of Florida（佛罗里达大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
现代理论化学中的一个重大挑战是设计和实现近似，以加快从头算方法而不损失准确性。机器学习（ML），特别是神经网络，正在成为构建各种形式的可转移原子势的强大方法。它们已成功地应用于化学、生物学、催化和固体物理学的各种应用中。然而，这些模型在很大程度上依赖于其拟合中使用的数据的质量和数量。拟合高度灵活的ML潜力是有代价的：需要大量的参考数据来正确训练这些模型。我们通过提供对大型计算DFT数据库的访问来解决这一需求，该数据库由57，454个小有机分子的20M构象组成。我们相信它将成为ML潜在社区中比较当前和未来方法的新标准基准。
2017-12-12 cs.LG physics.chem-ph physics.data-an
Transferable Generative Models Bridge Femtosecond to Nanosecond Time-Step Molecular Dynamics
Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学）；AstraZeneca（阿斯利康）
本文提出深度生成建模框架，将分子动力学采样加速四个数量级，可迁移至更大肽系统，用于定量表征平衡系综和弛豫过程，为探测构象景观、热力学和动力学提供新途径。
2026-10-01 physics.chem-ph stat.ML
Shadow Molecular Dynamics for Flexible Multipole Models
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文扩展阴影分子动力学至柔性多极模型，推导含单极和偶极相互作用的力项，保持稳定高效，为长程静电模拟及AI基础模型提供框架。
2025-10-15 math-ph math.MP physics.chem-ph
Obtaining transferable chemical insight from solving machine-learning classification problems: Thermodynamical properties prediction, atomic composition as good as Coulomb matrix
机器学习（ML）可用于构建替代模型，以快速预测感兴趣的属性。因此，ML可以应用于化学项目，其中通常的实验或计算技术可能需要数小时或数天才能完成一个样本。通过这种方式，可以从广泛的数据库中提取最有希望的候选样本，并对其进行进一步的深入分析。尽管ML方法具有广泛的适用性，但将ML方法应用于给定的化学问题可能具有挑战性，因为必须做出大量的设计决策，例如使用的分子描述符或训练模型的优化器。在这里，我们提出了一个有意义的探索一个给定的分子问题，通过分类实验的方法。这种概念上简单的方法可以对所选问题产生可转移的见解，并可用作评估预测难度、测试和改进分子表示以及可以开展更精确或雄心勃勃的项目的平台。也可以获得物理化学的见解。通过使用多个分子描述符预测来自公共数据库QM9 [Ramakrishnan 2014]的133，885个有机分子的分子的焓、吉布斯自由能、零点振动能和定容热容来说明该方法。一个值得注意的结果是，对于我们提出的分类问题，低分辨率描述符“原子组成”[Tchagang 2019]可以达到几乎与高分辨率“排序库仑矩阵”[Rupp 2012，Montavon 2012，Hansen 2013]（$>90\%$）相当的分类率，前提是在训练期间使用适当的优化器。
2022-12-02 physics.chem-ph physics.comp-ph
A DFT-based Tight-Binding Approach to the Self-consistent Description of Molecule Metal-Nanoparticle Interactions
由球形金属纳米颗粒和附近的有机染料分子组成的混合系统内的相互作用被配制在一个组合的量子经典方法。而纳米粒子的极化场被处理在经典的多极形式，分子的电子电荷密度的量子力学描述。一个有效的解决方案，由此产生的自洽性问题成为可能，通过使用离散表示的电荷密度的原子为中心的Mulliken电荷内的密度泛函理论为基础的紧束缚（DFTB）的方法。两种不同的染料分子的结果，其中集中在纳米粒子的半径，纳米粒子和分子之间的距离和它们的相互取向的相互作用的依赖性。
2019-05-29 physics.chem-ph
ANI-1: An extensible neural network potential with DFT accuracy at force field computational cost
深度学习正在彻底改变许多科学和技术领域，特别是图像、文本和语音识别。在本文中，我们演示了在量子力学（QM）DFT计算上训练的深度神经网络（NN）如何学习有机分子的准确和完全可转移的势能。我们介绍ANAKIN-ME（Accurate NeurAl networkK engINe for Molecular Energies）或简称ANI。ANI是一种用于训练神经网络势的新方法和过程，其利用Behler和Parrinello对称函数的高度修改版本来构建单原子原子环境向量作为分子表示。我们利用ANI构建了一个名为ANI-1的势函数，该势函数在GDB数据库的一个子集上进行训练，最多可包含8个重原子，用于预测包含四种原子类型的有机分子的总能量：H，C，N和O。为了获得一个加速的，但物理相关的采样的分子势面，我们还提出了一个正常模式采样（NMS）的方法产生的分子配置。通过一系列的案例研究，我们表明，ANI-1是化学准确的参考DFT计算上更大的分子系统（高达54个原子）比那些包括在训练数据集，均方根误差低至0.56千卡/摩尔。
2017-02-06 physics.chem-ph
Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
本文提出了一种通过主共生分类方法，研究MLIP在不同n-聚烷烃系统间外推能力的对照研究，揭示了训练数据与测试数据化学环境收敛对MLIP可转移性的影响。
2026-02-25 cond-mat.soft physics.chem-ph
Predictive Synthesis of MOFs and COFs
Washington University（华盛顿大学）
该研究探讨MOFs与COFs预测合成的发展，提出将AI与ML整合以应对合成变量多维空间的挑战，推动从试错向可衡量化学推理转变，加速晶体材料发现与合成化学发展。
2026-10-12 cond-mat.mtrl-sci physics.chem-ph
Transferability of atomic energies from alchemical decomposition
本文研究炼金术原子能量分解的可迁移性，基于1325个有机分子验证其可跨分子预测原子化能，MAE为20 kcal/mol，并揭示其对静电变化敏感、适用于环境表示及固体扩散研究。
2023-11-08 physics.chem-ph
Quantum machine learning using atom-in-molecule-based fragments selected on-the-fly
基于第一性原理的化学空间探索加深了我们对化学的理解，并可能有助于新材料或实验的设计。由于量子化学方法的计算成本和理论上可能的稳定化合物的数量，全面的计算机筛选仍然令人望而却步。为了克服这一挑战，我们将基于分子中原子的片段（称为“amons”（A））与可转移量子机器学习（ML）模型中的主动学习相结合。所得到的AML模型的效率，准确性，可扩展性和可转移性证明了重要的分子量子特性，如能量，力，原子电荷NMR位移，极化率，以及从2D材料和水簇上的有机分子到沃森-克里克DNA碱基对甚至泛素的系统。从概念上讲，AML方法扩展了门捷列夫的表，以有效地解释化学环境，这使得许多化学物质可以从当地的构建模块系统地重建。
2020-08-17 physics.chem-ph
From absorption spectra to charge transfer in PEDOT nanoaggregates with machine learning
快速而廉价的材料性能表征是发现新型功能材料的关键因素。在这项工作中，我们提出了一种方法，采用三类贝叶斯机器学习（ML）模型，将纳米聚集体的电子吸收光谱与有机导电和半导体材料中分子间电子耦合的强度相关联。作为一个特定的模型系统，我们考虑PEDOT：PSS，有机电子应用的基石材料，并分析紧密堆积的PEDOT低聚物的带电二聚体之间的耦合，这是该材料无与伦比的导电性的核心。我们表明，ML算法可以识别耦合强度和电子吸收光谱之间的相关性。我们还表明，ML模型可以被训练成在广泛的光谱分辨率范围内可转移，并且当ML模型用作分类器时，可以从模拟光谱预测电子耦合，准确率为88%。尽管本研究中使用的ML模型是在多尺度计算工作流生成的数据上进行训练的，但它们能够利用实验数据。
2019-09-24 cond-mat.mtrl-sci physics.chem-ph
Force-Field-Enhanced Neural Network Interactions: from Local Equivariant Embedding to Atom-in-Molecule properties and long-range effects
提出力场增强神经网络FENNIX，结合等变神经网络与物理力场项，预测局部能量及原子性质，实现长程静电与色散效应，可迁移至凝聚相，并外推至自由能景观与反应解离。
2023-09-13 physics.chem-ph
Ground state energy functional with Hartree-Fock efficiency and chemical accuracy
我们介绍了Deep Post-Hartree-Fock（DeePHF）方法，这是一种基于机器学习的方案，用于构建电子结构问题基态能量的精确和可转移模型。DeePHF使用基态电子轨道作为输入，预测高精度模型（如耦合簇方法）和低精度模型（如Hartree-Fock（HF）方法）的结果之间的能量差异。它保留了原始高精度模型的所有对称性。所增加的计算成本小于参考HF或DFT的计算成本，并且相对于系统大小线性地缩放。我们使用公开的数据集检查了DeePHF在有机分子系统上的性能，并获得了最先进的性能，特别是在大型数据集上。
2020-08-07 physics.chem-ph physics.comp-ph
A Universal Framework for Featurization of Atomistic Systems
Georgia Institute of Technology（佐治亚理工学院）
分子动力学模拟在许多科学领域是一种非常宝贵的工具。然而，无处不在的经典力场不能描述反应系统，量子分子动力学的计算要求太高，无法处理大型系统或长时间尺度。基于物理学或机器学习的反作用力场可用于弥合时间和长度尺度上的差距，但这些力场需要大量努力来构建，并且对给定的化学成分和应用具有高度特异性。机器学习模型的一个重要限制是使用特定于元素的特征，导致模型随元素数量的扩展性很差。这项工作介绍了高斯多极（GMP）featurization方案，利用物理相关的多极原子周围的电子密度的扩展，以产生特征向量，插值元素类型之间，并具有固定的尺寸，无论元素的数量存在。我们将GMP与神经网络相结合，将其与MD 17数据集广泛使用的Behler-Parinello对称函数进行直接比较，发现它具有更高的准确性和计算效率。此外，我们证明了基于GMP的模型可以实现QM 9数据集的化学准确性，即使外推到新元素，它们的准确性仍然是合理的。最后，我们针对开放催化项目（OCP）数据集测试了基于GMP的模型，显示出与图卷积深度学习模型相当的性能。结果表明，该特征化方案填补了构建高效和可转移的机器学习力场的关键空白。
2022-08-07 cs.LG physics.chem-ph
Accurate Deep Learning-aided Density-free Strategy for Many-Body Dispersion-corrected Density Functional Theory
使用在有机小分子的大型ANI-1数据集上训练的深度神经网络模型（DNN），我们提出了一个可转移的无密度多体色散模型（DNN-MBD）。DNN策略绕过了MBD模型所需的Kohn-Sham电子密度的显式Hirshfeld分区，以获得Tkatchenko-Scheffler极化率重新缩放所使用的分子中原子体积。所得到的DNN-MBD模型是用最小基迭代的Stockholder原子体积训练的，并且与密度泛函理论（DFT）相结合，表现出与基于不同分区方案的其他方法相当（如果不是更高的话）的准确性。在Tinker-HP包中实现，与执行显式密度分区的MBD模型相比，DNN-MBD模型降低了整体计算成本。它与最近引入的MBD方程的随机公式化（J. Chem. Theory.计算：2022，18，3，1633-1645）使得能够以保持的精度进行大的常规色散校正DFT计算。此外，DNN无电子密度的特性将MBD的适用性扩展到力场和神经网络等方法中的电子结构理论之外。
2022-05-06 physics.chem-ph
Hybrid Classical/Machine-Learning Force Fields for the Accurate Description of Molecular Condensed-Phase Systems
提出一种仅用真空二聚体和单体数据参数化、可迁移至凝聚相的混合机器学习/经典力场模型，结合经典稳健性与ML灵活性，在基准和实验数据上验证其有效性。
2023-08-17 physics.chem-ph
Low-data deep quantum chemical learning for accurate MP2 and coupled-cluster correlations
本文构建了低数据深度神经网络模型，利用紧凑局部相关特征高效预测与MP2和CCSD理论水平相当的电子相关能，实现了跨不同分子和团簇的高精度可迁移预测。
2023-07-17 physics.chem-ph physics.data-an
ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential
Department of Engineering Physics and Computation, TUM School of Engineering and Design, Technical University of Munich（工程物理与计算系，TUM工程与设计学院，慕尼黑技术大学）；Atomistic Modeling Center (AMC), Munich Data Science Institute (MDSI), Technical University of Munich（原子建模中心（AMC），慕尼黑数据科学研究所（MDSI），慕尼黑技术大学）
提出ConSolv，一种基于注意力机制的溶剂条件隐式溶剂机器学习势，通过结合实验溶剂化自由能和从头算数据，在66种常见有机溶剂中实现可迁移性，优于经典显式溶剂和部分隐式溶剂方法。
2026-09-28 cs.LG physics.chem-ph
New angles on standard force fields: towards a general approach for treating atomic-level anisotropy
几乎所有的标准力场都采用“球和”近似，它纯粹根据原子间的距离来模拟分子间的相互作用。尽管如此，分子中的原子可以具有显著的非球形形状，导致具有强取向依赖性的原子间相互作用能。忽略这种“原子级各向异性”会导致预测相互作用能的重大错误。在这里，我们提出了一个简单的，可转移的，计算效率高的模型（MASTIFF），从而原子水平的取向依赖性可以纳入从头算分子间力场。MASTIFF包括各向异性交换排斥，电荷渗透和分散效应，以及各向异性长程（多极）静电的标准处理。为了验证我们的方法，我们基准MASTIFF对各种总和的领域模型在一个大的图书馆小有机分子之间的分子间相互作用。MASTIFF在高级电子结构理论和实验方面都达到了定量准确性，从而显示出作为“下一代”力场开发基础的前景。
2018-07-18 physics.atom-ph physics.chem-ph
Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer
The University of Chicago（芝加哥大学）；Amazon Web Services（亚马逊网络服务）；Amazon（亚马逊）
本研究针对几何图神经网络在下游任务泛化差的问题，探索预训练全原子Geom-GNNs作为可迁移描述符的可行性，分析其在不同学习设置下的缩放规律，验证图嵌入与其他架构结合的效果及潜空间投影与传统描述符的一致性。
2024-10-29 cs.LG physics.chem-ph
Efficient Composite Infrared Spectroscopy: Combining the Doubly-Harmonic Approximation with Machine Learning Potentials
本研究提出一种结合双谐近似与机器学习势的复合方法，用于高效准确预测气相红外光谱，并系统评估多种方法，以建立标准流程，促进未知化合物快速识别和自动化分析。
2024-09-06 physics.chem-ph
Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
研究探讨了长程修正对机器学习势在不同化学空间中的泛化能力的影响，提出偏置训练-测试分割策略以评估模型在不同化学区域的性能，强调长程建模对实现可推广的机器学习势的重要性。
2026-03-19 cs.LG physics.chem-ph
Quantum mechanical dataset of 836k neutral closed shell molecules with upto 5 heavy atoms from CNOFSiPSClBr
该研究构建了覆盖最多5个重原子的836k中性闭壳层分子数据集VQM24，包含DFT和DMC能量及多种性质，并揭示其原子化能机器学习任务比QM9更难，为量子ML模型提供高保真基准。
2025-06-22 physics.chem-ph
Accurate molecular polarizabilities with coupled-cluster theory and machine learning
Cornell University（康奈尔大学）
本研究用LR-CCSD理论计算7211个小分子极化率，构建对称性适配机器学习模型，可低成本实现同精度极化率预测，在大分子测试集上精度超杂化DFT，还为理解DFT的缺陷提供思路。
2018-09-14 physics.chem-ph
SPA$^\mathrm{H}$M(a,b): encoding the density information from guess Hamiltonian in quantum machine learning representations
本文提出SPA$^\mathrm{H}$M(a,b)分子表示，利用单电子密度矩阵构建局部可迁移的原子和键密度重叠指纹，在带电开壳层物种和π-共轭体系等困难预测任务上优于现有最先进方法。
2024-02-20 physics.chem-ph
Graph Neural Network Predictions of Carbon 1s Binding Energies with Near-Experimental Accuracy
The University of Chicago（芝加哥大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种图神经网络模型，用于预测有机分子中碳1s核心电子结合能，通过多配置对密度泛函理论训练，实验误差为0.33 eV，具备良好的规模转移能力。
2026-08-04 physics.chem-ph physics.comp-ph
Less is more: sampling chemical space with active learning
University of Florida（佛罗里达大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
开发准确和可转移的机器学习（ML）潜力来预测分子能量学是一项具有挑战性的任务。训练这种ML潜力的数据生成过程是一项既没有很好理解也没有详细研究的任务。在这项工作中，我们提出了一种完全自动化的方法来生成数据集，目的是训练通用ML潜力。它基于通过委员会查询（QBC）的主动学习（AL）的概念，该概念使用ML潜力集合之间的不一致来推断集合预测的可靠性。QBC允许所提出的AL算法自动采样ML势不能准确预测势能的化学空间区域。AL通过减少人类在决定使用哪些新训练数据时的偏见，提高了ANAKIN-ME（ANI）深度学习潜力在严格测试用例中的整体适应性。AL还将训练集大小减少到使用朴素随机采样技术时所需数据的一小部分。为了验证我们的AL方法，我们开发了COMP 6基准（在GitHub上公开），其中包含一组不同的有机分子。通过AL过程，表明基于AL的电位在COMP 6上仅用10%的数据表现得与ANI-1电位一样好，并且大大优于ANI-1，其数据量为25%。最后，我们表明，我们提出的AL技术开发了一个通用的ANI潜力（ANI-1x），在整个COMP 6基准上提供准确的能量和力预测。该通用ML势实现了与单个分子或材料的最佳ML势相当的精度水平，同时仍然适用于由元素CHNO组成的一般类别的有机分子。
2018-04-09 cs.LG physics.chem-ph physics.comp-ph
SPICE, A Dataset of Drug-like Molecules and Peptides for Training Machine Learning Potentials
Stanford University（斯坦福大学）；University of California, Irvine（加州大学欧文分校）；Open Molecular Software Foundation（开放分子软件基金会）；Acellera Labs（Acellera实验室）；University of Notre Dame（圣母大学）；Newcastle University（纽卡斯尔大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究院）；Weill Cornell Graduate School of Medical Sciences（威尔康奈尔医学院研究生院）
机器学习潜力是一个重要的工具，分子simulation. We描述的SPICE数据集，一个新的量子化学数据集，用于训练相关的模拟药物样小分子与蛋白质相互作用的潜力，高质量的数据集的短缺，训练他们的发展受到阻碍。它包含超过110万种不同的小分子、二聚体、二肽和溶剂化氨基酸的构象。它包括15个元素，带电和不带电的分子，以及广泛的共价和非共价相互作用。它提供了在ω B 97 M-D3（BJ）/def 2-TZVPPD理论水平上计算的力和能量，以及其他有用的量，例如多极矩和键级。我们在上面训练了一组机器学习潜力，并证明它们可以在广泛的化学空间区域内实现化学准确性。它可以作为一个有价值的资源，用于创建可转移的，准备使用潜在的功能，用于分子模拟。
2022-11-23 cs.LG physics.chem-ph q-bio.BM
Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning
California Institute of Technology（加州理工学院）
这项研究扩展了精确和可转移的基于分子轨道的机器学习（MOB-ML）方法，以Hartree-Fock计算为代价来模拟电子相关对偶极矩的贡献。应用基于分子轨道（MOB）的成对分解的相关部分的偶极矩，这些对偶极矩可以进一步回归为分子轨道（MO）的通用函数。偶极MOB特征由能量MOB特征及其对电场的响应组成。为了更有效地学习偶极矩，引入了一种可解释的旋转等变高斯过程回归（GPR）导数算法。所提出的问题设置，功能设计和ML算法，提供了高精度的模型，偶极矩和能量的水和14个小分子。为了证明MOB-ML作为有机分子的分子偶极矩和能量的广义密度矩阵泛函的能力，我们进一步应用所提出的MOB-ML方法来训练和测试来自QM 9数据集的分子。局部可扩展GPR与高斯混合模型无监督聚类（GMM/GPR）的应用将MOB-ML扩展到大数据范围，同时保持预测精度。此外，与文献结果相比，MOB-ML提供了最好的测试MAE为4.21 mDebye和0.045千卡/摩尔的偶极矩和能量模型，分别为110000 QM 9分子训练时。所得到的QM 9模型的良好的可移植性也说明了四个不同系列的肽的准确预测。
2022-05-31 cs.LG physics.chem-ph
Two Wrongs Can Make a Right: A Transfer Learning Approach for Chemical Discovery with Chemical Accuracy
Massachusetts Institute of Technology（麻省理工学院）
在虚拟高通量筛选（VHTS）中，正确识别和处理具有显著多参考（MR）特征的分子和材料对于实现高数据保真度至关重要。然而，大多数VHTS是用近似的密度泛函理论（DFT），使用一个单一的功能。尽管开发了许多MR诊断，但这种诊断的单个值指示MR对化学性质预测的影响的程度还没有很好地建立。我们评估了超过10，000种过渡金属络合物（TMC）的MR诊断，并与有机分子中的那些进行比较。我们发现，只有一些MR诊断是跨这些材料空间转移。通过研究磁流变特性对化学性质的影响（即，MR效应），涉及多个势能面（即，绝热自旋分裂，$ΔE_\mathrm{H-L}$，和电离势，IP），我们观察到MR效应的抵消超过积累。在预测MR效应时，MR特征的差异比MR特征的总程度更重要。受此观察的启发，我们建立了迁移学习模型，从较低的理论水平直接预测CCSD（T）水平的绝热$ΔE_\mathrm{H-L}$和IP。通过将这些模型与不确定性量化和多级建模相结合，我们引入了一种多管齐下的策略，该策略将数据采集加速至少三倍，同时实现化学准确性（即，1 kcal/mol）。
2022-01-11 cond-mat.mtrl-sci cs.LG physics.chem-ph
A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction
University of Science and Technology of China（中国科学技术大学）；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
本研究提出基于DetaNet的通用机器学习力场，结合MLMD模拟，实现快速准确的红外和拉曼光谱预测，比AIMD快三个数量级，并适用于多种分子和材料系统。
2025-10-05 cs.LG physics.chem-ph
Regression-clustering for Improved Accuracy and Training Cost with Molecular-Orbital-Based Machine Learning
California Institute of Technology（加州理工学院）
基于分子轨道（MOB）特征的机器学习（ML）已被证明是预测后Hartree-Fock相关能的准确和可转移的方法。MOB-ML以前的应用采用高斯过程回归（GPR），它在小训练集上提供了良好的预测精度;然而，GPR训练的成本与数据量成立方关系，并成为大型训练集的计算瓶颈。在目前的工作中，我们通过引入MOB-ML的聚类/回归/分类实现来解决这个问题。在第一步中，回归聚类（RC）用于划分训练数据以最佳地拟合线性回归（LR）模型的集合;在第二步中，使用LR或GPR独立地对每个聚类进行回归;并且在第三步中，训练随机森林分类器（RFC）以基于MOB特征值预测聚类分配。在检查后，RC被发现概括化学直观的前沿分子轨道的分组，并结合RC/LR/RFC和RC/GPR/RFC的MOB-ML实现被发现提供良好的预测精度，大大减少挂钟训练时间。对于多达7个重原子的7211个有机分子的热化几何形状的数据集，这两种实现仅用300个训练分子就达到了化学精度（1千卡/摩尔误差），同时与没有聚类的MOB-ML相比，分别提供了挂钟训练时间的35000倍和4500倍减少。结果还表明，所得模型仅使用小分子训练数据即可保留预测大分子能量的可移植性。最后，它表明，限制每个集群的训练数据点的数量导致预测精度的进一步提高，而挂钟训练时间的增加可以忽略不计。
2019-10-23 cs.LG physics.chem-ph
HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations
Universitá della Svizzera italiana (USI)（瑞士联邦理工学院）；Faculty of Biomedical Sciences（生物医学科学学院）；Euler Institute（欧拉研究所）
HEroBM通过深度等价图神经网络和分层方法实现高精度反映射，适用于多种生物系统，具备良好的泛化能力。
2024-04-25 cs.LG physics.chem-ph q-bio.BM
Martini Mapper: An Automated Fragment-Based Framework for Developing Coarse-Grained Models within the Martini 3 Framework
Louisiana State University（路易斯安那州立大学）
本文提出Martini Mapper，通过结合定制化的珠字典和分层规则算法，自动从SMILES字符串生成Martini 3模型，适用于多种化学数据集，提升了大分子建模效率。
2026-03-24 cond-mat.soft physics.chem-ph physics.comp-ph
